共查询到17条相似文献，搜索用时 171 毫秒
1.
2.
建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义.针对局部异质性明显的建筑群直线模式识别提取问题,本文提出基于模板匹配的建筑群组合直线模式识别方法.首先分析研究组合直线模式的认知特征和定义;然后,利用建筑物的空间邻近性、尺寸和方向约束进行聚类,获得建筑物间的空间邻近关系和扩展对齐关系;以放大的建筑物最小面积外接矩形作为初始匹配模板;最后,在确定模板分布间隔及方向的基础上,考虑组合直线模式的直线性、相似性和局部异质性约束条件,通过连续构建模板进行搜索匹配,识别出组合直线模式.试验表明本文方法能有效识别出组合直线模式,其识别结果符合人类认知特点. 相似文献
3.
空间聚类应当同时满足空间位置邻近和属性相似,在此背景下,为满足空间邻近实体之间趋势性和不均匀性的属性聚类需求,提出一种基于图论和信息熵的空间聚类算法。该算法主要是在Delaunay三角网空间位置聚类基础上,通过引入信息熵,采用多元相似性度量方法以解决二元关系在属性聚类中的缺陷,同时基于"等概率最大熵"原则提出了一种局部参数度量方法,用于表达邻近目标间属性分布的局部变化信息。将本文方法与多约束聚类方法和DDBSC聚类方法进行对比分析,结果表明:(1)在属性空间分布不均的情况下,本文方法的聚类精度要高于多约束方法和DDBSC方法,尤其是当属性空间分布不均程度不断扩大时,DDBSC和多约束算法会将空间簇内的实体误判为噪声;(2)在对异常值的敏感性问题上,3类方法都能识别出异常值的位置,但DDBSC和多约束算法对异常值具有一定的敏感性,聚类结果会掩盖属性分布的趋势性,本文方法受异常值影响很小。通过模拟实验和实际算例可以发现,在保证空间邻近的基础上本文方法具有如下优势:第一,能反映实体属性在空间分布中的趋势性特征;第二,能满足属性空间分布不均匀;第三,对异常值具有良好的稳健性。 相似文献
4.
建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义。针对建筑群中以建筑物组合结构为单元的直线模式识别问题,提出一种建筑群同质二元组直线模式的识别方法。首先分析研究同质二元组直线模式的认知特征和定义;然后利用Delaunay三角网构建建筑群邻近关系,以建筑物邻近性、尺寸和方向相似性约束进行聚类,考虑邻近程度的异质性、直线性识别直线模式,根据直线模式识别结果识别同质二元组结构;最后逐步识别由具有相似特征且呈等间隔直线排列的同质二元组构成的直线模式。实验表明所提方法能有效识别出同质二元组直线模式,其识别结果符合人类认知。 相似文献
5.
提出了一种融合图论与密度思想的空间聚类方法——HGDSC。该方法首先借助附加约束的Delau-nay三角网来建立空间实体之间的邻接关系,然后对基于密度的聚类方法进行改进,顾及空间邻近与非空间属性相似性进行聚类。特别地,该方法只需要一个输入参数。模拟数据和实际数据验证表明,HGDSC方法能够发现任意形状和密度变化的空间簇,并且可以很好地识别噪声点。 相似文献
6.
7.
农村居民地空间分布具有独特的规律性和复杂性,Voronoi图在表达居民地分布特征方面有显著优势。针对当前空间聚类较少考虑实体方向关系的问题,基于Voronoi图提出一种顾及方向关系的农村居民地聚类方法。首先,构建距离约束的Voronoi图,并构建居民地实体间的Voronoi邻近图;然后,利用无向特征与有向特征来综合评价居民地实体间的聚集强度;最后,消除聚集强度小于阈值的实体对的邻近关系,得到聚类结果。采用浙江省宁波地区部分农村居民地数据进行实验,结果表明,所提方法能够有效聚类不同分布模式的居民地,聚类结果符合人的认知习惯。 相似文献
8.
9.
保持建筑物群的空间分布模式一致是道路与建筑物空间冲突处理问题的难点。按道路对建筑物的包围程度,将道路与建筑物之间的关系类型划分为开放型、半开放型和闭合型。本文提出了基于几何相似性的建筑物移位算法,并以距离、角度和面积作为满足几何相似性的约束条件。以道路网眼为单位,采用最小生成树的方法生成建筑物群的骨架,以骨架的长度和角度特征分别作为建筑物移位的距离和角度约束条件,以建筑物与网眼的面积比作为建筑物移位的面积约束条件。针对可能出现的次生冲突,探讨了次生冲突的处理方法。试验结果表明,本文方法能够消除因道路拓宽导致的道路与建筑物冲突,并能完备地保持建筑物群的空间分布模式。 相似文献
10.
克服双重约束的面目标位置聚类方法 总被引：1，自引：1，他引：0
面目标的聚集模式识别是空间聚类研究的重要方向之一,但因多边形几何信息和空间障碍阻隔的双重约束,目标的位置相似性难以快速而准确地计算。扩展点目标多尺度聚类方法,通过构建面目标的强度函数计算目标与邻近目标的位置聚集程度,提出了有效作用于双重约束下的面目标位置聚类法,并以判断相邻尺度下同一面目标类的强度函数阈值相等作为算法的收敛条件。经试验分析与比较发现,算法无须自定义参数,能够识别密度不均、任意形状分布,以及"桥"链接的面目标集群,同时能够准确判断障碍约束对面目标簇的阻隔和划分。 相似文献
11.
Proximity-based grouping of buildings in urban blocks: a comparison of four algorithms 总被引：4，自引：0，他引：4
Grouping of buildings based on proximity is a pre-processing step of urban pattern (structure) recognition for contextual cartographic generalization. This paper presents a comparison of grouping algorithms for polygonal buildings in urban blocks. Four clustering algorithms, Minimum Spanning Tree (MST), Density-Based Spatial Clustering Application with Noise (DBSCAN), CHAMELEON and Adaptive Spatial Clustering based on Delaunay Triangulation (ASCDT) are reviewed and analysed to detect building groups. The success of the algorithms is evaluated based on group distribution characteristics (i.e. distribution of the buildings in groups) with two methods: S_Dbw and newly proposed Cluster Assessment Circles. A proximity matrix of the nearest distances between the building polygons, and Delaunay triangulation of building vertices are created as an input for the algorithms. A topographic data-set at 1:25,000 scale is used for the experiments. Urban block polygons are created to constrain the clustering processes from topological aspect. Findings of the experiment demonstrate that DBSCAN and ASCDT are superior to CHAMELEON and MST. Among them, MST has exhibited the worst performance for finding meaningful building groups in urban blocks. 相似文献
12.
On the spatial distribution of buildings for map generalization 总被引：1，自引：0，他引：1
Information on spatial distribution of buildings must be explored as part of the process of map generalization. A new approach is proposed in this article, which combines building classification and clustering to enable the detection of class differences within a pattern, as well as patterns within a class. To do this, an analysis of existing parameters describing building characteristics is performed via principal component analysis (PCA), and four major parameters (i.e. convex hull area, IPQ compactness, number of edges, and smallest minimum bounding rectangle orientation) are selected for further classification based on similarities between building characteristics. A building clustering method based on minimum spanning tree (MST) considering rivers and roads is then applied. Theory and experiments show that use of a relative neighbor graph (RNG) is more effective in detecting linear building patterns than either a nearest neighbor graph (NNG), an MST, or a Gabriel graph (GssG). Building classification and clustering are therefore conducted separately using experimental data extracted from OpenStreetMap (OSM), and linear patterns are then recognized within resultant clusters. Experimental results show that the approach proposed in this article is both reasonable and efficient for mining information on the spatial distribution of buildings for map generalization. 相似文献
13.
地图综合中,建筑物群的排列结构是需要重点考虑的因素。当不同排列的子建筑物群之间存在空间图形冲突时,这些建筑物群的综合就显得更为复杂。直线排列建筑物群的综合在大比例尺地形图上以典型化操作为主。本文提出一种相互之间存在潜在空间图形冲突的多个直线排列建筑物子群的渐进式典型化方法,渐进式地处理多个直线排列建筑物子群之间的空间图形冲突,保留建筑物群重要的直线排列结构;以建筑物表达的视觉图形约束为限制条件,自动确定典型化后的建筑物位置、形状、大小和方位。本文还研究了基于建筑物群空间邻近图的直线排列建筑物子群的自动识别方法,分析了这些直线排列之间的邻近关系和相交关系。最后,以1：5000地图上的建筑物群综合为1：25 000为试验对象,验证了所提出算法的可用性和有效性。 相似文献
14.
针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。 相似文献
15.
针对Delaunay三角网空间聚类存在的不足,提出一种顾及属性空间分布不均的空间聚类方法。首先将Delaunay三角网空间位置聚类作为约束条件,采用广度优先搜索方法,以局部参数"属性变化率"作为阈值识别非空间属性相似簇的聚类过程。以城市商业中心为例,验证了该方法能够更客观地识别非空间属性相似的簇,且自适应属性阈值可以满足不同聚类需求,为城市商业中心等空间实体的提取提供了一种有效方法。 相似文献
16.
以大连市中山区6个街道建筑信息为数据基础,选取建筑景观指标,基于ArcGIS空间统计与多距离空间聚类分析方法研究了各街道10年间建筑景观空间格局分异特征。结果表明：从2003-2013年,各街道建筑景观逐渐由水平向垂直空间扩展,其中青泥洼桥街道、人民路街道及海军广场街道城市建筑景观变化明显突出;2003年4种类型建筑物在尺度为928.68 m时,空间分布上均呈聚集状态,当大于928.68 m时,超高层建筑空间聚集程度降低。到2013年,高层建筑物随尺度的增加聚集程度逐渐减低,低层、多层和超高层建筑在空间分布上均呈一定的聚集状态。 相似文献
17.
一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法 总被引：1，自引：0，他引：1
从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。 相似文献